基于强化学习的未来街道规划自适应控制模型：一种算法与案例研究
人工智能
2021-12-13 v1
摘要
随着智能交通系统（ITS）中新兴技术的发展，道路空间的自适应运营有望在数十年内实现。智能街道能够学习并改进其针对道路使用者的路权（ROW）决策，在维持交通安全与效率的同时释放更多活跃的步行空间。然而，针对这些自适应街道基础设施尚缺乏有效的控制技术。为填补现有研究的空白，我们将该控制问题建模为马尔可夫博弈，并基于多智能体深度确定性策略梯度（MADDPG）算法开发了求解方案。所提模型可实时动态分配人行道、自动驾驶车辆（AVs）行驶车道及路边停车区域的路权。该模型与 SUMO 交通仿真器集成，以南肯辛顿区路网为对象，针对行人流率、自动驾驶车辆交通流率与停车需求三种差异化交通条件案例进行了评估。结果表明，我们的模型可使路边停车与车辆运营所分配的街道空间平均分别减少 3.87% 与 6.26%。结合通过限制行驶车道数获得的空间，人行道占街道总宽度的平均比例可显著提升 10.13%。
引用
@article{arxiv.2112.05434,
title = {A Reinforcement Learning-based Adaptive Control Model for Future Street Planning, An Algorithm and A Case Study},
author = {Qiming Ye and Yuxiang Feng and Jing Han and Marc Stettler and Panagiotis Angeloudis},
journal= {arXiv preprint arXiv:2112.05434},
year = {2021}
}
备注
Proceeding for 57th ISOCARP World Planning Congress, Nov 8-11, 2021, Doha, Qatar